使用注意力引导生成对抗网络,无监督地将血管口罩转换为NIR-II光图像
Lu Fang1,2, Huaixuan Sheng3, Huizhu Li3
1Chinese Academy of Sciences, Shanghai Institute of Technical Physics, Shanghai, 200083, China.
Scientific reports
|February 25, 2025
概括
我们开发了一种无监督的深度学习方法,可以从面具中创建逼真的近红外血管图像. 这种方法克服了医学成像中的数据限制,提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 第二次近红外窗 (NIR-II) 光成像对于血管研究至关重要.
- 获取NIR-II血管成像数据集受到隐私问题和广泛的数据注释要求的阻碍.
- 基于深度学习的数据合成显示了产生高质量的合成医学图像的潜力.
研究的目的:
- 提出一个无监督的生成对抗网络 (GAN),用于将血管面罩转化为现实的NIR-II光血管图像.
- 通过合成数据生成,解决NIR-II医学成像中有限数据集的挑战.
- 提高NIR-II血管成像的质量和适用性.
主要方法:
- 采用了无监督生成对抗网络 (GAN) 方法.
- 该模型将血管面罩转化为NIR-II光血管图像.
- 一个注意力机制被整合到损失函数中,以专注于基本特征.
主要成果:
- 拟议的GAN方法成功地产生了高质量的合成NIR-II血管图像,没有监督.
- 该模型在视觉质量和定量指标方面明显优于八种基线技术.
- 生成的图像显示出高保真度,适合下游任务.
结论:
- 无监督GAN方法有效地解决了注释NIR-II血管成像数据的稀缺问题.
- 这种方法通过提供丰富,高准确度的合成数据来增强NIR-II成像应用.
- 这种技术显示出了促进医学成像和相关研究的巨大潜力.
